上半年经济数据发布，释放哪些信号？

基于Kuznets事实与Acemoglu定向技术变迁理论，构建一个两部门（新动能部门N与传统动能部门T）经济增长模型。新动能部门以更高的全要素生产率（TFP）增长率为特征，资本和劳动在部门间的再配置构成结构转型的资源配置效应。提出三个核心假说：H1——新动能部门的TFP增长率显著高于传统部门，且差距在扩大；H2——劳动力从传统部门向新动能部门的再配置对总劳动生产率增长的贡献逐年上升；H3——中国新动能转换速率快于日韩同等人均GDP水平时期，但面临Rodrik式过早去工业化的风险约束。

核心挑战在于将GDP增长中"新动能贡献"从其他因素（周期性波动、外部冲击、统计基数效应）中分离。采用增长核算的反事实分析法：首先使用Divisia指数方法将总产出增长分解为各行业的数量贡献；其次，设定新动能部门的识别标准（R&D强度、数字化程度、增加值率三维度），构建虚拟的"无新动能增长"情景，反事实估计新动能贡献。对于跨国比较，使用合成控制法（SCM）为每个比较期构建中国若未经历新动能加速的反事实路径。核心假定：Divisia分解中行业间不存在交叉补贴效应，且新动能内涵的统计口径在时间维度上保持一致。

基准模型为行业层面的双向固定效应面板回归：Y_it = α + β·NewDriver_it + γ·X_it + μ_i + λ_t + ε_it，其中Y_it为行业i在t期的增加值增长率，NewDriver_it为行业是否属于新动能的虚拟变量与时间趋势的交乘项，X_it为行业层面的控制变量（资本密集度、外资占比、出口依赖度等）。进一步使用动态面板GMM（Arellano-Bond估计量）处理新动能贡献可能存在的内生性和惯性效应。跨国比较使用交互项模型：Y_ct = θ·NewMomentum_ct × China_c + δ·Controls_ct + η_c + ν_t + ξ_ct，以China_c虚拟变量与产业结构的交互项捕捉中国新动能转换的"超常"部分。

核心被解释变量：行业增加值增长率（现价和不变价双口径）。核心解释变量：新动能行业分类虚拟变量（基于2023年国家统计局《新产业新业态新商业模式统计分类》与高技术产业分类标准的交叉匹配）。控制变量包括行业资本存量（永续盘存法估算）、行业从业人员数（年均人数）、R&D经费投入强度、行业出口交货值占比。样本区间覆盖2015Q1-2026Q2共46个季度，涉及国民经济行业分类中类层面约180个行业。跨国面板覆盖中国、日本、韩国、中国台湾4个经济体1970-2026年的五年度产业结构数据。

第一，替换新动能识别标准——使用不同阈值（如R&D强度从2%变为3%）重新定义新动能行业，检验贡献率测算结果是否稳健。第二，改变分解方法——将Divisia指数分解替换为Sato-Vartia指数分解或简单的Laspeyres数量指数，验证增长核算框架的方法论敏感性。第三，排除极端样本——剔除2020年疫情冲击和2022年封控时期的数据，检验新动能贡献率是否由特殊年份驱动。第四，工具变量法——使用行业层面的美国同行业技术专利引用量作为新动能发展的工具变量，处理潜在的内生性问题。第五，子样本分析——将新动能行业按数字经济、高端制造、现代服务三个子类分别回归，检验各子类贡献率的异质性。

---

从凯恩斯短期波动理论出发，将二季度增速回落分解为三类成分：趋势性放缓（潜在增长率下行）、周期性波动（库存周期与信贷周期）和暂时性冲击（石化行业外部扰动、煤炭生产短期因素）。假说H1：二季度回落中暂时性冲击的贡献超过50%，意味着下半年存在自然回补空间。假说H2：当前经济结构下，政府消费性支出的乘数约为0.8-1.2，而政府投资性支出（基建、新基建）的乘数约为1.3-1.8，后者更应成为"更加积极有为"政策的着力点。假说H3：政策效力存在3-6个月的传导时滞，三季度出台的政策效应将主要在四季度和2027年一季度显现。

财政乘数识别的核心困难在于财政支出与GDP之间存在双向因果关系（经济下行时财政自动扩张）。采用Blanchard-Perotti策略：利用财政决策的制度时滞——当季财政支出需要经过预算编制和审批程序，因此当季GDP冲击不能即时影响当季财政支出决策，这一制度特征提供了短期外生性。同时，借鉴Romer叙事法，从国务院常务会议和中央经济工作会议的文本中提取"额外追加"的财政措施作为外生冲击的代理变量。对于暂时性冲击的识别，利用石化行业和煤炭行业的微观高频数据（周度开工率、价格）与GDP增速之间的关系，构建行业冲击的传递乘数。

基准模型为五变量的结构向量自回归（SVAR）：Y_t = [G_t, T_t, GDP_t, P_t, R_t]'，其中G_t为实际政府支出、T_t为税收收入、GDP_t为实际产出、P_t为价格水平、R_t为政策利率。识别约束：当季GDP冲击不影响当季政府支出（G的方程中GDP当期系数为0）；政府支出的GDP弹性使用外部信息校准（基于预算制度估计为0）。脉冲响应函数追踪政府支出1单位正向冲击对GDP的动态影响路径，累积效应即为财政乘数。局部投影法（Jorda 2005）作为SVAR的互补方法：y_{t+h} = α_h + β_h·Shock_t + γ_h·Controls_t + ε_{t+h}，h=0,1,...,12个季度。

政府支出变量：使用月度一般公共预算支出的实际值（经CPI平减），剔除利息支出和社保支出等转移支付，聚焦于商品与服务购买支出和资本性支出。产出变量：月度工业增加值（作为GDP的月度代理）和季度GDP。外部冲击代理变量：石化行业PX开工率周度数据和煤炭主产区日度产量数据。政策叙事变量：基于国务院政策文件库的文本分析，构建0-3级的"政策积极度"序数变量。样本区间为2015M1-2026M6。

第一，替换分解方法——将HP滤波替换为Band-Pass滤波（Christiano-Fitzgerald方法）和不可观测成分模型（UC Model），检验暂时性冲击贡献率的估计对滤波参数选择的敏感性。第二，改变SVAR识别策略——从递归识别（Cholesky）改为符号约束识别（sign restrictions）——对政府支出冲击施加GDP同向响应、赤字同向响应的符号约束，对税收冲击施加GDP反向响应的符号约束，检验乘数估计的稳健性。第三，使用省级面板数据——构建31省份的财政支出和GDP面板，利用省份间的支出差异作为额外识别变异，使用工具变量法（中央对地方转移支付的跨期变动）估计地方层面的财政乘数。第四，排除极端区间——剔除2020年和2022年的疫情冲击区间，检验乘数估计是否受极端值驱动。第五，叙事法交叉验证——仅使用Romer式叙事识别的外生财政冲击子样本进行估计，与全样本SVAR结果进行比较。

---

构建一个三层制度分析框架。第一层：宏观制度环境——中央"房住不炒"定调与"保交楼"专项行动构成了产权安全的国家承诺。第二层：治理结构——地方政府通过"一楼一策""保交楼专项借款"等机制将国家承诺转化为可执行的治理安排。第三层：交易成本——二手房"带押过户"、税费减免、限售放松等政策降低了市场摩擦。假说H1：保交楼完成率越高的城市，新房价格恢复越快（产权安全效应）；假说H2：二手房交易制度便利化程度（交易成本指数）与二手房成交量正相关，且该效应在房价下行期更为显著（"制度替代"效应——当新房产权不确定时，现房二手房以"即时交付"替代期房的制度信用）；假说H3：地方政府官员晋升激励强度与房地产去库存政策执行力度正相关。

核心识别挑战在于保交楼政策的内生性——房价跌得多的城市更可能被优先安排保交楼资金。采用三项策略：其一，利用住建部保交楼专项借款的分配规则（按项目而非城市房价分配），以各城市2021年出险房企项目占比作为保交楼力度的工具变量；其二，利用保交楼政策在各城市落地时间的制度性滞后——从中央政策出台到城市实施细则之间存在审批和配套资金筹措时滞，这一时滞对当地房价而言是外生的；其三，边界断点回归——比较同一城市内保交楼项目500米范围内与范围外小区的价格差异。核心假定：出险房企项目占比仅通过保交楼政策渠道影响后续房价走势，而非通过其他渠道（如城市经济基本面）产生直接影响。

基准回归为交叠DID（Staggered DID）：Price_it = α + β·BJL_it + γ·X_it + μ_i + λ_t + ε_it，其中BJL_it为城市i在t月是否已实施保交楼政策的处理变量，使用Callaway & Sant'Anna（2021）方法处理交叠处理下的负权重问题。进一步设定交易成本模型：Turnover_it = δ + θ·TCIndex_it + ρ·Z_it + ν_i + τ_t + η_it，其中TCIndex为城市层面的二手房交易成本综合指数（涵盖税费、限售年限、"带押过户"便利度三维度），标准误在城市层面聚类。

被解释变量：各城市新建商品住宅价格环比指数、二手房网签面积（对数）。核心解释变量：保交楼政策处理变量（首批专项借款到位后1个月取值为1）；二手房交易成本指数（标准化到0-100区间，税费占交易额比重越低、限售年限越短、是否开通带押过户三个维度加权合成）。控制变量：城市人均GDP、常住人口增速、土地出让面积、房贷利率。工具变量：2021年城市层面出险房企项目数占比。样本覆盖70个大中城市2021M1-2026M6，共4620个观测值。

第一，替换DID估计量——使用Sun & Abraham（2021）的交互加权估计量、Gardner（2022）的两阶段DID和Borusyak et al.（2024）的插补估计量，检验交叠DID结果对估计方法选择的敏感性。第二，改变处理时点定义——将保交楼政策生效时点分别设为专项借款到位后2个月和3个月，检验前置或滞后处理时点对结果的影响。第三，PSM-DID——使用倾向得分匹配为每个处理城市找到控制城市，在匹配样本上重新估计，缓解选择偏差。第四，剔除一线城市——一线城市房地产市场具有资产属性更强的特殊性，剔除后检验结论是否仍对二三线城市成立。第五，安慰剂检验——将保交楼政策时间随机提前12-24个月进行伪政策检验，确保结果不是由事前趋势差异驱动。

---

构建一个包含行为偏误的房价预期形成模型。假设从业人员对6个月后房价的预测依赖于三个信息源：当前基本面（库存、收入、利率）的理性贝叶斯更新、历史价格的锚定效应（以2021年峰值为锚）和叙事性信息（政策表态中的"市场回暖""积极变化"等措辞）。提出假说H1：从业人员房价预期对历史峰值价格存在锚定效应——经历跌幅越深的城市，预期回升越慢（锚定下行惯性）；假说H2：中央政策叙事中的积极措辞（如"市场出现积极变化""预期改善"）能显著提升从业人员乐观预期比例，且该效应与基本面改善程度不成比例（叙事效应偏离理性基准）；假说H3：从业人员预期的改善领先实际价格回升1-2个季度，且这一领先关系在二手房市场比新房市场更强（预期的自我实现机制）。

核心识别挑战在于区分理性预期更新与行为偏误：如果从业人员预期改善纯粹源于基本面的真实改善，那么预期的变化应能用可观测基本面变量完全解释。识别策略分三步：第一步，用城市层面基本面变量（库存去化周期、房贷利率、收入增速）对预期指数进行回归，残差即为"无法用基本面解释的预期成分"；第二步，将这一残差对历史价格锚定变量（当前价格与2021年峰值的比值）和叙事变量进行回归，识别行为偏误的贡献；第三步，利用2025年9月中央"止跌回稳"重要表述作为叙事的外生冲击（narrative shock），使用事件研究法检验叙事冲击前后从业人员预期的跳跃。核心假定：2025年9月政策表述的叙事转向对基本面的影响存在足够长的时滞（至少3个月），使得短期内观测到的预期变化可以归因于叙事本身而非基本面的同步改善。

基准回归：Expectation_it = α + β1·Anchor_it + β2·Narrative_t + β3·Fundamental_it + γ·X_it + μ_i + ε_it，其中Expectation_it为城市i在t月从业人员对未来房价的乐观预期净比例（看涨比例-看跌比例），Anchor_it为当前房价相对于2021年历史峰值的比值（锚定强度随该比值下降而增强），Narrative_t为中央政策信号的叙事积极度（基于文本分析构建的连续变量），Fundamental_it为城市基本面综合指标。进一步采用面板VAR（PVAR）检验预期与实际价格的交叉滞后关系：y_it = A_1·y_{i,t-1} + A_2·y_{i,t-2} + ... + η_i + ε_it，y_it向量包含预期指数、实际价格涨幅和成交量三个变量，通过格兰杰因果检验和脉冲响应确定预期的领先性。

被解释变量：基于国家统计局70城调查数据计算从业人员乐观预期净比例（预期上涨占比-预期下跌占比，取值范围[-1,1]）。核心解释变量：锚定变量——各城市当前二手房均价与2021年周期内最高均价的比值；叙事变量——对国务院和住建部新闻稿中房地产相关表述进行情感词典打分（正面词汇如"回暖""改善""积极"计+1，负面词汇如"下行""压力""低迷"计-1，取月度均值）；基本面变量——库存去化周期（待售面积/近3月月均销售面积）、房贷利率、城市GDP增速。样本覆盖70城2023M1-2026M6。

第一，替换预期变量——使用贝壳经纪人预期指数替代统计局从业人员预期，检验结论对调查样本和测量方式的敏感性。第二，改变叙事文本来源——将政策文本替换为主流财经媒体报道文本（如《经济日报》《21世纪经济报道》房地产相关文章），检验叙事效应是否源自更广泛的信息环境而非仅政策信号。第三，分样本检验——按城市能级分为一二三线城市子样本，检验行为偏误在不同市场深度下是否存在异质性。第四，更换锚的定义——将锚从"2021年历史峰值"替换为"过去3年均值"或"同能级城市当前均价"，检验锚定效应的来源特异性。第五，补充场景实验——设计锚定效应的对照问卷实验，向同一样本从业人员随机展示不同的"历史参考跌幅"，观察锚定操纵对预测的影响是否显著（AB测试设计）。

---

基于Baumol成本病模型与Hsieh-Klenow错配框架构建理论分析。将经济分为高技术制造业（M_H）、传统制造业（M_T）、现代服务业（S_M）、传统服务业（S_T）四个部门。高技术制造业TFP增速最高（由技术追赶和创新驱动），传统服务业TFP增速最低（劳动密集型、难以标准化）。假说H1：中国服务业内部TFP离散度显著高于制造业，意味着服务业内部存在更严重的资源错配（由于服务业市场化改革滞后、行政准入壁垒更高）；假说H2：劳动力从制造业向服务业的结构转移对总量劳动生产率产生"Baumol拖累"——每转移1个百分点就业，总量劳动生产率增速下降约0.05-0.10个百分点；假说H3：如果能通过服务业市场开放（如电信、金融、医疗领域的准入放松）将服务业内部资源配置效率提升至制造业水平，每年可为GDP贡献额外0.3-0.5个百分点的增长。

生产率估计面临投入内生性问题——高生产率企业可能增加投入，导致OLS高估。采用Levinsohn-Petrin（LP）半参数方法，以中间投入作为生产率的代理变量，控制同时性偏误。对于行业间配置效率的测量，使用Hsieh-Klenow框架：在完全有效配置的基准下，所有企业的要素边际产出应相等；实际观测到的边际产出离散度反映了由政策扭曲（进入壁垒、信贷配给、土地供给管制）导致的错配程度。使用行业内TFPR（Revenue TFP）的90-10分位数比作为错配度量。对于服务业与制造业的对比，关键识别假设是：如果观测到的服务业TFPR离散度大于制造业，且这一差异在控制行业特征（如企业规模分布、资本密集度）后仍存在，则可将其归因于服务业特有的制度性进入壁垒。

生产函数估计：y_it = β_l·l_it + β_k·k_it + ω_it + ε_it，其中y为增加值对数，l和k为劳动和资本对数的当期投入，ω为不可观测的生产率（用中间投入m_it的多项式函数代理）。使用LP两步法估计β_l和β_k后，计算ω_it = y_it - β_l·l_it - β_k·k_it即为企业层面TFP。配置效率度量：对每个行业j，计算TFPR_i = P_i·Y_i / (K_i^β_k · L_i^β_l)，然后计算行业j内TFPR的变异系数CV_j。总量层面分解：ΔLP_t = Σ_i s_it·Δlp_it（行业内效应）+ Σ_i Δs_it·lp_it（行业间配置效应），其中s为就业份额，lp为劳动生产率。使用反事实模拟计算"如果服务业TFPR离散度降至制造业水平"时的总量TFP增益。

企业层面数据来自A股上市公司（2015-2026年），覆盖制造业约2500家和服务业约1500家企业。变量构造：增加值 = 营业收入 - 中间投入（用COGS近似）+ 应付职工薪酬 + 折旧；劳动投入 = 员工人数；资本存量 = 固定资产净值（经固定资产投资价格指数平减）；中间投入 = 营业成本 - 职工薪酬 - 折旧。行业分类按证监会行业分类标准，制造业细分至2位码（约30个行业），服务业细分至2位码（约15个行业）。季度层面的行业数据来自国家统计局，用于总量分解检验。跨国生产率比较使用OECD Productivity Statistics数据库。

第一，替换生产率估计方法——将LP方法替换为Olley-Pakes（OP）方法（以投资作为生产率代理）、Ackerberg-Caves-Frazer（ACF）方法和Wooldridge（2009）的一步GMM方法，检验TFP估计对函数形式假设的敏感性。第二，改变错配度量——将TFPR离散度替换为TFPQ（Quantity TFP，使用需求弹性进行价格平减后估计）的离散度，排除markup差异导致的错配高估。第三，使用不同数据源——将上市公司数据替换为中国工业企业数据库（仅制造业）和全国税收调查数据（覆盖制造业和服务业），检验微观数据源选择对结论的影响。第四，跨国比较基准——使用OECD国家的行业TFP离散度作为"制度较完善"市场的参照基准，检验中国服务业错配程度是否具有发展中国家的一般性还是中国特色。第五，替换分解方法——使用Diewert（2015）的GEAD（Generalized Exactly Additive Decomposition）方法替代传统Shift-Share，处理离散时间分解中的路径依赖问题。

---
---
date: 2026-07-15
news_index: 6
title: "经济数据速览：10组数字看中国经济半年报"
topics_count: 5
---